基于ACC-RBF网络的脉象信号研究

论文摘要

现代脉象研究证实,脉象的形成,主要取决于心脏的功能、血管的机能、血液的质和量,脉象首先可显示这三方面因素的病变,其次可据其推断其他的病变。显然,脉象是有其客观存在因素的。是以确实可以通过分析脉象信号而达到辨明人体的病变。但是,脉象学多年来一直处于依赖语言表述和经验传授的阶段,有待进一步的深入研究、规范和统一,以促进其向客观、准确、科学、现代化发展。本论文在对人工神经网络(Artificial Neural Network, ANN)的基本概念、结构分类、训练函数和学习算法等基本理论进行详细阐述的基础上重点讨论了径向基函(Radial Basis Function, RBF)神经网络的相关性质,并使用RBF神经网络对22个正常人与22个海洛因成瘾者的脉象信号进行了分析和辨识。径向基函数神经网络(RBF Neural Network, RBFNN)是一种三层前向型神经网络模型,具有良好的非线性全局逼近能力,而且结构简单,学习速度快,计算量少,目前已成功应用于模式识别、系统设计、函数逼近、信号处理、自适应滤波、非线性时间序列预测等方面。蚁群聚类(Ant Colony Clustering, ACC)算法与粒子群优化(Particle Swarm Optimization, PSO)算法同属于群智能计算。本文针对ACC经典LF算法存在收敛速度慢的缺点,提出了一种改进的方法。使用这种方法设计了用于区别正常人与海洛因成瘾者脉象信号的RBF神经网络,利用粒子群优化算法对网络的权值进行优化。并且与使用k均值聚类法设计的网络进行了性能比较。最后对实验结果进行分析。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 选题意义及研究现状
• 1.2 脉象信号分析
• 1.3 本文的研究工作及内容安排
• 2 人工神经网络基本概念
• 2.1 神经网络概述及发展简史
• 2.1.1 概述
• 2.1.2 人工神经网络的发展简史
• 2.1.3 人工神经网络的特点
• 2.2 神经网络的基本概念
• 2.2.1 人工神经元的基本模型
• 2.2.2 单个神经元的激活函数
• 2.2.3 单个神经元学习规则概述
• 2.2.4 含有多个神经元的层
• 2.2.5 多层神经网络
• 2.3 RBF 神经网络
• 2.3.1 RBF 函数定义
• 2.3.2 RBF 网络的模型
• 2.2.3 RBF 网络学习问题的数学模型
• 2.3.4 RBF 网络的分类能力
• 2.3.5 RBF 网络的训练方法
• 3 蚁群算法概述
• 3.1 概述
• 3.2 常用聚类方法及评价标准
• 3.3 数据聚类前的预处理
• 3.4 BM 模型与LF 算法
• 3.4.1 蚁群聚类（Ant Colony Clustering，ACC）
• 3.4.2 BM 模型
• 3.4.3 LF 算法
• 3.5 改进的LF 算法
• 3.5.1 基本思想
• 3.5.2 算法描述
• 3.5.3 参数的选择与算法复杂度
• 4 RBF 网络与脉象信号分析
• 4.1 脉象信号采集
• 4.2 基于k 均值聚类的RBF 网络
• 4.3 基于蚁群聚类的RBF 网络
• 4.3.1 聚类
• 4.3.2 对脉象信号进行分析
• 4.3.3 结果分析
• 4.4 使用粒子群算法优化网络性能
• 4.4.1 PSO 算法基本思想
• 4.4.2 基本PSO 算法流程
• 4.4.3 对网络权值进行优化
• 4.4.4 结果分析
• 5 结论与展望
• 5.1 工作小结
• 5.2 展望
• 致谢
• 参考文献
• 附录